Ageing-aware Energy Management for Residential Multi-Carrier Energy Systems

1. Problema e Contexto

A descarbonização do setor residencial exige a integração de múltiplos portadores de energia (eletricidade, calor e mobilidade) em sistemas de energia multiportador (MCES). O gerenciamento eficiente desses recursos distribuídos (DERs) é desafiador devido à não linearidade das dinâmicas dos dispositivos, incertezas nas previsões e questões computacionais.

O problema central abordado é a inadequação dos modelos de envelhecimento de baterias utilizados atualmente nos Sistemas de Gerenciamento de Energia (EMS). A literatura predominante utiliza:

• Modelos Empíricos: Baseados em testes padronizados, eles são simples, mas possuem capacidade limitada de interpolação, tendem a superajuste (overfitting) e não capturam mecanismos físicos de degradação sob condições operacionais dinâmicas e irregulares (como as de veículos elétricos).
• Omissão de Acoplamentos Térmicos: Muitos estudos tratam o armazenamento térmico e elétrico de forma isolada ou com modelos lineares simplificados, ignorando as diferenças dinâmicas e de eficiência entre eles.
• Falta de Consciência do Estado de Saúde (SoH): Os EMSs atuais frequentemente não adaptam suas estratégias de despacho à degradação real da bateria, levando a decisões que podem acelerar o envelhecimento ou falhar em otimizar o custo total de propriedade (TCO).

2. Metodologia

O artigo propõe um Controlador Preditivo Não Linear Econômico (eMPC) consciente do envelhecimento, integrado a um sistema de energia multiportador residencial.

Arquitetura do Sistema

O sistema inclui:

• Portadores Elétricos: Painéis Fotovoltaicos (SPV), Rede Elétrica, Veículo Elétrico (EV), Sistema de Armazenamento de Energia em Baterias (BESS) e Bomba de Calor (HP).
• Portadores Térmicos: Coletores Solares Térmicos (ST) e Sistema de Armazenamento de Energia Térmica (TESS).
• Estrutura de Controle: Um planejador de horizonte de rolagem (Day-Ahead e MPC) que toma decisões de despacho de potência ($P^*$) baseadas em previsões e estados atuais.

Modelagem Física e de Envelhecimento

A inovação central reside na integração de Modelos Reduzidos Baseados em Física (PBROM - Physics-Based Reduced Order Models) diretamente no algoritmo de otimização do EMS.

• Modelos de Desempenho: Utilizam um Modelo de Circuito Equivalente de Primeira Ordem (ECM) para prever tensão e estado de carga (SoC), capturando dinâmica de difusão e resistência série.
• Modelos de Degradação (PBROM): Diferente dos modelos empíricos, o PBROM modela explicitamente os mecanismos físicos de degradação:
  1. Crescimento da Interface de Eletrólito Sólido (SEI): Modelado como uma reação química dependente do tempo e do potencial.
  2. Perda de Material Ativo (AM): Modelado como perda mecânica devido ao estresse nos eletrodos.
• Diferenciação Química: O modelo distingue entre diferentes químicas de cátodo (NMC e LFP) e estados de envelhecimento (baterias novas vs. usadas), ajustando parâmetros como resistência série e estequiometria de lítio.

Formulação do Problema de Otimização

O objetivo é minimizar uma função de custo composta por:

1. Custo da Rede ($C_{grid}$): Compra e venda de energia.
2. Custo de Degradação ($C_{loss}$): Perda de capacidade da bateria (calculada via PBROM).
3. Penalidades: Por não atingir o SoC desejado no EV ao sair e por violar limites suaves do TESS.

O problema é resolvido como um problema de controle ótimo não linear (NLP), utilizando condições de contorno terminais flexíveis para diferentes tipos de armazenamento (periódico para BESS, rastreamento suave para EV, sem condição para TESS).

3. Contribuições Principais

1. Integração de PBROM no EMS: É uma das primeiras aplicações de modelos de envelhecimento baseados em física (reduzidos) diretamente no controle preditivo de edifícios multiportadores, permitindo um trade-off explícito entre custo de rede e vida útil da bateria.
2. Distinção de Química e Envelhecimento: O algoritmo consegue identificar e adaptar-se a diferentes químicas (NMC vs. LFP) e estados de saúde (SoH), algo que modelos empíricos não conseguem fazer com precisão fora de suas condições de ajuste.
3. Estratégia de Terminais Híbrida: O desenvolvimento de um conjunto de condições terminais mistas (periódico para BESS, rastreamento para EV, livre para TESS) que permite a convergência do NLP não convexo, integrando sistemas com dinâmicas temporais distintas.
4. Validação em Cenários Realistas: Simulação de cenários de verão e inverno, comparando baterias novas e envelhecidas, e diferentes químicas, demonstrando a robustez do método.

4. Resultados Principais

Os resultados foram validados através de simulações com dados reais de consumo e geração (TU Delft Green Village) e modelos de células SANYO (NMC) e A123 (LFP).

• Comparação de Modelos (NMC):

  • O controlador proposto (CPBDeg) reduziu a degradação em 10% em comparação com um controlador sem degradação (BNoDeg), mantendo um custo de rede competitivo.
  • O controlador com modelo empírico (CEmpDeg) teve o pior desempenho, superestimando a degradação e operando de forma conservadora, resultando em custos de rede mais altos e menor eficiência de ciclo.
  • O CPBDeg apresentou a menor taxa de degradação por ciclo equivalente ($\partial Q_{loss}/\partial FEC$), indicando um controle de envelhecimento mais eficiente.

• Impacto da Química (NMC vs. LFP):

  • Baterias LFP gerenciadas pelo CPBDeg apresentaram 10% a 20% menos custo de rede e 20% menos degradação em comparação com as NMC.
  • O modelo físico permitiu explorar a maior tolerância da LFP a ciclos profundos e V2G (Vehicle-to-Grid), algo que o modelo empírico não capturou adequadamente.

• Gestão de Baterias Envelhecidas (SoH 90%):

  • O CPBDeg adaptou-se ao envelhecimento, identificando a mudança no mecanismo dominante de degradação (de SEI dependente de tempo para perda de material ativo dependente de corrente).
  • Ao contrário do benchmark linear (BNoDeg), que piorou seu desempenho com baterias velhas (aumentando custos e degradação), o CPBDeg melhorou o custo de rede em 6% no verão e reduziu a degradação em 30-45% em relação ao benchmark, demonstrando que o controle consciente do envelhecimento se torna mais valioso à medida que a bateria envelhece.

• Custo Computacional:

  • A inclusão do PBROM aumentou o tempo de computação apenas marginalmente (média de 1-5 segundos por passo de tempo), mantendo a viabilidade para aplicações em tempo real.

5. Significado e Conclusão

Este trabalho demonstra que a transição de uma otimização baseada apenas no preço da energia ("bill minimization") para uma estratégia de Custo Total de Propriedade (TCO) é viável e benéfica.

• Para Consumidores Residenciais: A adoção de EMSs conscientes do envelhecimento pode estender a vida útil das baterias em vários anos, reduzindo a necessidade de substituições caras e melhorando o Valor Presente Líquido (VPL) do sistema.
• Para a Indústria e Pesquisa: O estudo valida que modelos físicos complexos podem ser simplificados (PBROM) e integrados em controladores preditivos sem sacrificar a velocidade de cálculo. Além disso, destaca que a escolha de química de bateria (LFP) combinada com controle avançado oferece vantagens significativas sobre a NMC tradicional.
• Futuro: O trabalho sugere que a implementação prática exigirá observadores de estado online para parametrizar os modelos PBROM em tempo real, especialmente para EVs com perfis de uso desconhecidos.

Em suma, o artigo estabelece um novo paradigma para o gerenciamento de energia residencial, onde a física da degradação da bateria é usada ativamente para tomar decisões operacionais mais inteligentes e economicamente vantajosas a longo prazo.